分布式傳感器網絡環境的多目標跟蹤和特征管理設計

近來傳感器技術和無線通信技術的發展導致了一個新概念的誕生一傳感器網絡，即一個由本地傳感器節點所組成的具有感知、處理和通信能力的一種廣泛應用的網絡。為了更深入地挖掘傳感器網絡所具有的能力，筆者提出了一種可擴展分布式的多目標跟蹤和特征管理方法，該方法能夠通過一個傳感器網絡對多個目標實現跟蹤和特征管理。

傳統的多目標跟蹤方法，如MHT跟蹤器，不適用于傳感器網絡。而現有基于傳感器網絡的算法僅基于如下情況：所跟蹤目標的數量已知不變，并且它們的運動軌跡對于本地傳感器已知。而在本文中，筆者放寬了以上假設，形成對于分布式多目標的跟蹤和特征管理算法DMTIM。文中在實現數據關聯和多目標跟蹤運用了馬爾科夫鏈蒙特卡羅數據關聯MCMCDA的方法，實時對未知數量的多目標進行跟蹤。MCMCDA方法能夠獨立地對軌跡進行起始和終止，并能夠跟蹤未知數量的多目標。每個傳感器能夠運用MCMCDA有效地跟蹤一組未知數量的目標，并且能夠對目標的特征進行分布式地管理。

本文結構如下：分布式多目標的跟蹤與特征管理算法概述;多目標跟蹤問題及其概率模型;DMTIM關鍵算法敘述：馬爾科夫鏈蒙特卡羅數據關聯算法;DMTIM組成部分介紹，包括數據關聯、多目標跟蹤、特征管理和信息融合;DMTIM算法仿真試驗及評估。

1 分布式多目標跟蹤和特征管理

文中研究重點是傳感器網絡中多目標的跟蹤和特征管理方法。每個傳感器擁有自己的觀測區域，且擁有與其鄰近傳感器通信的能力。如圖1所示一個簡單的二傳感器的系統，大圓圈代表傳感器的觀測區域。每個傳感器能夠對多目標進行跟蹤并在觀測區域內管理目標特征。該問題的難點在于觀測區域內目標的數量會隨時間而變化，因此我們必須尋求一種可擴展的，在相鄰傳感器中具有本地一致性的方法。

筆者提出的可擴展的分布式多目標跟蹤與特征管理DMTIM算法能對未知數量且數量隨時變化的機動目標進行跟蹤，對其特征進行有效的管理。并能夠在一個分布式的傳感器網絡中進行實現。對于每一個傳感器，DMTIM中的多目標跟蹤算法負責估算如下量：目標的數量，觀測區域內所有目標的運動軌跡，以及在特征管理算法中將用到的混合矩陣和本地信息。然后，相鄰的傳感器通過相互通信對本地狀態估算值和信任矩陣進行交換。同時，通過信息融合實現了本地一致性，進而實現全局一致性。

本文的剩余部分對DMTIM的算法模塊進行了詳細描述并且還對多目標跟蹤問題，以及馬爾科夫鏈蒙特卡洛數據關聯進行了描述。

2 多目標跟蹤

基于每個傳感器視野范圍內的目標數量會隨時間不斷變化，本章提出的DMTIM多目標跟蹤適應于此類多目標數量不確定的情況。

2.1 問題模式

設T∈Z+為傳感器觀測持續的時間，K為該時間內觀測范圍R中所出現的目標數量。在某時間段

Y的集合，且ω∈Ω，有如下參數：

分離的過程如圖2所示，其中K為軌跡數量，|Tk|為Tk的基數，當沒有軌跡互擾的情況下認為Tk為一個正確的軌跡。假設一條軌跡至少包含兩個觀測值，因為不能由一個單一的觀察值確定一條軌跡。于是再假設e(t-1)為時刻t-1之后目標的數量，z(t)為時刻t消失的目標的數量，c(t)=e(t-1)-z(t)為時刻t-1到t未消失的數量。設a(t)為時刻t新出現的目標，d(t)為時刻t的實際目標，g(t)=c(t)+a(t)-d(t)為未識別的目標。最后，設f(t)=n(t)-d(t)為錯誤報警數量，有：

其中P(ω|Y)是Y的相似概率。

本文采用了最大后驗MAP算法解決多目標跟蹤問題。該算法對觀測目標進行分割，并根據分割對目標狀態進行估算。